同一个模型看完一份血液化验单，可能很会判断两个人谁更年长；换成一串 DNA 甲基化位点，它却未必还能报出准确年龄。9 月 17 日发表于 Cell 的 LongevityBench 把这种落差摆上了同一张榜：研究团队用五类生物数据、17 项任务评测六家团队的 18 个前沿 AI 系统，没有一个系统在所有数据域都领先。
随后出现的反差更大。团队用衰老相关数据微调了五个 0.6B—9B 参数的 Longevity-LLM。作者公布的总榜中，9B 的 L-Qwen3.5 排名第一，把一批通用前沿模型留在后面。这个结果最值得读者记住的，不是“小模型打败大模型”，而是所谓“衰老生物学能力”并不是一种能力：任务怎么拆、数据来自哪里、问题怎么问，都会改变赢家。
17 项任务测的不是同一件事
LongevityBench 的正式评测集有 25,457 条记录。临床域占六项：根据 NHANES 的血液、人口学和体征数据预测年龄或死亡结局，分别做二分类、多分类、成对比较和回归。DNA 甲基化、转录组和蛋白组各要求模型从 GEO、GTEx 与 Olink 的高维特征中判断年龄；遗传域则用 OpenGenes 判断基因表达随衰老的变化方向，再用 SynergyAge 预测基因组合对寿命的影响。
这些题不仅对象不同，输入规模也相差两个数量级。数据卡按 cl100k_base 估算：一条 DNA 甲基化年龄题平均约 2.2万—2.7 万 token；最精简的 SynergyAge 成对题平均只有 123 token。按公开样本数复算，17 项核心任务合计约 8100 万输入 token，其中三个甲基化任务约占一半，两个转录组任务再占约 29%。这不是实际 API 账单，因为各模型分词器不同，却足以说明“17 项任务的平均名次”与“按样本量或计算量加权的表现”会回答不同问题。
公开总榜使用跨任务的排名分数，分数越低越好。这样可以避免把准确率与平均绝对误差直接相加，却也会把差距大小压缩成名次：险胜和大胜都可能只差一个名次。作者网站列出的例子里，L-Qwen3.5-9B 在 GEO 甲基化成对年龄判断达到 0.868，最佳前沿模型为 0.685；Olink 蛋白组年龄回归的最佳领域模型则是 0.6B 的 L-Qwen3，平均绝对误差 5.7 年，最佳前沿模型为 10.1 年。连五个领域模型内部都不是参数越多越好。
因此，研究团队若要挑模型，先要问自己的数据域和损失函数是什么。要比较两名样本谁更老，和要给出精确年龄，不是同一道题；研究工作流真正承担的错误成本，也不会由一个总榜名次自动决定。
领域模型登顶，训练数据同源也必须写进结论
L-Qwen3.5-9B 的公开模型卡披露了三阶段训练：先继续预训练知识材料，再做衰老预测任务的监督微调，最后用带推理轨迹的数据继续训练。训练来源包括 NHANES、GEO 甲基化、GTEx、Olink、OpenGenes、SynergyAge 等，正好也是 LongevityBench 的主要数据家族。0.6B 与 1.7B 的 Qwen 版本、1.2B 与 2.6B 的 LFM2 版本则采用全参数监督微调。
同源数据不等于评测泄漏：训练集和评测集可以按样本严格隔离，领域预训练本来就应利用同类测量。但它改变了“胜过前沿模型”这句话的含义。结果支持的是，模型经过针对这些数据表示和任务格式的适配后，可以在这套评测上超过未做同等适配的通用模型；它没有证明 9B 模型拥有更广泛的生物学推理能力。
截至论文发表日，9B 模型卡只给出约 100 万条训练提示、数十亿 token 的量级，并写明精确组成、提示数量和 token 数将在后续材料中报告。作者还在 PubMed 的利益冲突声明中披露，Insilico Medicine 与 Liquid AI 的员工和创始人参与研究，发布的模型、基准与 Claw 也可能进入商业管线。领域模型的领先成绩因此仍需要第三方在固定版本上重跑，并核对样本划分、训练重合、推理预算与置信区间。
换一种问法，榜单也会跟着动
论文报告，模型表现会随问题表述明显变化。公开评测数据把每条记录保存成固定的系统提示、用户问题与结构化答案，17 个核心任务各有对应模板。对自动评分很友好：二分类、成对选择与多分类可以算准确率，年龄或寿命回归可以算平均绝对误差；但真实科研提问不会永远沿用同一模板。
这让榜单多出一个常被忽略的维度：测到的不是“模型 × 数据”，而是“模型 × 数据 × 提示”。如果改写单位、字段顺序、选项位置或回答格式就让结果波动，单次固定模板的名次不足以充当稳定性证明。公开主榜没有把措辞变化的方差、失败类型与调用成本放在排名旁边，采购或部署团队至少应自行加入同义改写、字段置换和重复运行，再观察结论是否保持。
这也解释了为什么组学年龄回归最难。模型面对的不是熟悉的事实问答，而是密集数值特征与连续值预测；擅长生成自然语言，不会自动获得一个校准良好的生物年龄估计器。LongevityBench 的贡献，是让这种能力断层可以被逐项观察，而不是继续被一个“生物学问答准确率”掩盖。
Claw 是另一层工具，不是 17 项测试的临床出口
论文同时发布 Longevity Claw，把领域模型与衰老时钟、通路富集、文献检索和候选靶点评分工具连接起来。固定到论文发表前的公开仓库显示，它收录 233 个生物年龄时钟，覆盖甲基化、蛋白组、转录组、组蛋白、ATAC-seq 与血液化学等六类数据。公司称 Claw 围绕 14 项衰老标志提名了 328 个候选基因，在已发表参考靶点中最高达到 5.6 倍富集。
这两部分不能互相替代。17 项 benchmark 测的是模型对规定输入和答案格式的预测；Claw 的靶点排序还叠加了检索、数据库、统计工具和人工设定的六维评分。富集说明候选名单与已有知识不是随机重合，不等于这些靶点能够改善人的健康结局。公司列举的 KDM1A 证据也来自独立研究中的秀丽隐杆线虫寿命实验，而不是 Claw 发起的前瞻验证。
“开放”同样有边界。LongevityBench 数据集采用 CC BY-NC 4.0，限制商业使用；Qwen 系列领域模型采用 CC BY-ND 4.0，允许再分发但限制修改版本，LFM2 版本另有自己的许可。研究者可以下载、检查和重跑大量材料，却不能把整套资源直接理解为可自由改造、再发布和商用的传统开源栈。
LongevityBench 最有价值的结果，最终不是给 26 个系统排出一条永恒队列，而是迫使使用者先说明自己要预测什么、用哪类数据、允许多大误差，以及换一种问法后结论是否还成立。下一步真正决定这套工具价值的，也不是再增加一个总榜冠军，而是第三方能否在无训练重合的外部队列上复现分域结果，并把稳定性、成本和实验验证放到同一张评估表里。
